AI 生成用例只是起点，真正的难点是 三

六、自适应进化：用户操作本身就是学习信号真正的自进化，不只是模型自己反复生成和修复，更关键的是把用户使用过程中的真实反馈利用起来。在实际测试工作中，测试人员会对 AI 生成的用例进行各种操作：删除某些用例 修改某些步骤 合并相似场景 补充断言 调整优先级 标记不可执行 保留某些高质量用例这些动作背后，其实都隐藏着质量判断。如果系统能够识别这些操作，并转化为学习信号，就可以逐步完成阈值校准和策略优化。例如：七、三级闭环：让质量进化从单次生成变成持续工程能力本次分享中，一个很值得关注的设计是三级闭环：秒级自修复 次级反馈学习 版本级基线对比这三个层次分别解决不同问题。1. 秒级自修复：解决单次生成质量问题当系统发现格式、重复、结构等问题时，可以快速自动修复，减少人工清洗成本。2. 次级反馈学习：解决团队使用偏好问题系统通过测试人员的修改、删除、保留等行为，持续学习业务团队对用例质量的真实判断标准。3. 版本级基线对比：解决长期质量演进问题不同版本、不同需求、不同业务线之间，可以通过基线对比观察用例质量变化。例如：当前版本覆盖度是否提升？ 重复率是否下降？ 坐标准确率是否稳定？ 新需求场景是否出现质量波动？ 某类业务场景是否一直生成效果较差？这让 AI 用例生成从“单点能力”变成了“持续治理能力”。八、真实落地效果：从模糊、重复、不可用，到可量化提升在腾讯文档 Sheet 品类的落地实践中，这套自进化机制已经取得了比较明显的效果。根据议题材料中的数据：